Was Sie schon immer über Predictive Maintenance wissen wollten

Maschinendaten, Trends

Predictive Maintenance ist das Schlagwort, wenn es heißt, Industrie 4.0 im Maschinen- und Anlagenbau in die Tat umzusetzen.

Wir symmedianer arbeiten seit mehr als 20 Jahren an industriellen Vernetzungslösungen für Maschinen und Anlagen, um einerseits Serviceprozesse zwischen Herstellern und Betreiber zu digitalisieren und effizient zu gestalten. Die wesentlichen Ziele der Serviceprozesse sind Erhöhung der Maschinenverfügbarkeit, aber auch um die Produktivitätssteigerung in den Werken der Betreiber.

Während für viele Unternehmen zu Beginn einer digitalen Produktfamilie der Zugriff in Form von Fernwartung im Vordergrund steht, befasst sich eine Vielzahl von Unternehmen, die bereits ihre Maschinen und Anlagen vernetzt haben, mit den Möglichkeiten weitere Mehrwerte aus der Maschinendatenanbindung zu schaffen.

In diesem Artikel soll der Oberbegriff „Predictive Maintenance“ generell praxisnah betrachtet werden, ohne dabei in die technische Tiefe zu gehen. Zudem möchten wir aufzeigen, wie wir symmedianer das mit unseren Lösungen umsetzen.

Wenn Sie Fragen oder Anregungen haben, nehmen Sie bitte Kontakt über das Formular auf rechten Seiten auf.

Was bedeutet Predictive Maintenance?

Predictive Maintenance, oder besser zu Deutsch vorausschauende Wartung, zielt vereinfacht darauf ab, dass Maschinen und Anlagen bei Bedarf proaktiv gewartet werden, damit es möglichst nicht zu ungeplanten Stillständen oder Qualitätsverlusten kommt. Ungeplante Stillstände erzeugen Frust, Hektik, hohe Kosten und ggf. zu spät ausgelieferte Aufträge.

Um die Vermeidung eines Stillstandes zu ermöglichen wird einerseits die Analyse einer bestehenden Datenbasis benötigt, und andererseits eine technische Anbindung, um Livedaten zu erhalten (z. Bsp. direkt von der SPS, Sensoren oder anderen Datenprovidern rund um die Maschine). Sprich um Rückschlüsse und Empfehlungen für proaktive Wartungen liefern zu können, müssen erst bestehende Daten ausgewertet und interpretiert werden. Erst darauf aufbauend können auf Basis von Algorithmen, die auf Livedaten angewendet werden, Wartungsempfehlungen erfolgen. Mit dem Datenfluss sind agile Anpassungen möglich.

Hört sich trivial an, ist es in der Praxis jedoch nicht und benötigt auf jedem Falle eine einzuplanende Vorlaufzeit. Für Serienmaschinen ist es grundsätzlicher einfacher, eine aussagekräftige Menge an Daten zu erheben, diese zu analysieren und darauf entsprechende Algorithmen zu definieren. Angenommen die Betriebstemperatur oder die Schwingung erreicht einen Schwellwert und aufgrund durchgeführter Datenanalysen weiß man, dass die Wahrscheinlichkeit eines Maschinenausfalls binnen eines überschaubaren Zeitraumes drastisch steigt, dann kann man ein Wartungsevent definieren mit automatisierten Benachrichtigungen.

Technisch funktioniert das alles gut, die Herausforderung liegt eher in der Definition der Prädiktion. Denn die benötigte Dauer der Datensammlung und -analyse hängt unter anderem vom Grad des Einflusses ab, der durch die individuelle Maschinenbedienung durch unterschiedlich gute Maschinenbediener entsteht.

Aber es gibt auch zahlreiche Hersteller von Sondermaschinen und Sonderanlagen.Hier kommt erschwerend noch hinzu, dass es vermutlich wenig Einheiten in der Installed Base gibt, die statistisch valide miteinander vergleichbar sind. Bei diesen fehlt häufig eine ausreichende Datenbasis, um eindeutige Rückschlüsse zu ziehen. Ein solcher Hersteller kann jedoch bei langlebigen Maschinen und Anlagen wiederkehrende Fehler analysieren und mit zunehmender Laufzeit ebenfalls proaktive Wartungsempfehlungen definieren.

Daneben gibt es auch externe Faktoren, die eine eindeutige Interpretation von Daten erschweren, wie die z. Bsp. die Produktumgebung. Das kann dazu führen, dass Daten je nach Standort anders zu interpretieren sind. Zweifelsohne sind in subtropischen Zonen die Umgebungstemperatur und die Luftfeuchtigkeit höher als Europa, was in vielfacher Weise Auswirkungen auf den Verschleiß und die Anfälligkeit von Maschinen und Anlagen haben kann.

Angenommen man hat nun die notwendige Datenbasis und die Anbindung, dann ist aber das Senden einer automatischen Benachrichtigung häufig nicht ausreichend.

Der Betreiber weiß dann zwar, dass eine Wartung zu planen ist, es kann aber vorkommen, dass er diese nicht selbst durchführen kann oder die benötigten Ersatzteile nicht auf Lager oder gar Einzelfertigungen sind.

Für den Hersteller gilt zudem zu klären, ob seine Serviceorganisation überhaupt zeitnah reagieren kann. Wie schnell kann ein Servicetechniker losfahren oder gar fliegen? Braucht es eine Stunde Vorlauf oder gar Tage?

Predictive Maintenance in der Praxis umfasst eben oft mehr als die technische Anbindung, Datenanalysen und das automatische Senden von datengestützten Alerts, sondern eben auch Organisationsstrukturen und Serviceprozesse.

Wenn Sie sich selbst mit Predictive Maintenance befassen, stellen Sie sich folgende Fragen:

  • Wer führt die Wartung durch? Kann das der Techniker des Betreibers ggf. durch Remote Unterstützung selbst oder wird ein Techniker des Herstellers benötigt?

  • Wann bzw. wie schnell kann dieser frühestens vor Ort sein?

  • Stehen die Ersatzteile vor Ort zur Verfügung oder müssen diese erst gesendet oder gar hergestellt werden? Wie lange wird das dauern?

  • Kann der Servicetechniker das passende Teil mitbringen?

Bisherige Wartungstypen

Möglich wird vorausschauende Wartung durch die zunehmende Digitalisierung in den Unternehmen sowie eine kontinuierliche Verbesserung der Sensortechnik. Dieser Prozess ist keineswegs abgeschlossen, doch gibt es mehr und mehr Möglichkeiten festzustellen, welche Trigger ein bestimmtes Ereignis auslösen.

Wenn dies nicht der Fall ist oder nicht eingesetzt wird, bleiben zwei weitere Wartungstypen:

Reactive Maintenance

Wie der Name vermuten lässt, wird bei diesem Wartungstypen reagiert. Diese Form der Wartung ist die weltweit noch am stärksten verbreitetste. Aus Betreibersicht die wohl wirtschaftlich ungünstigste Form, denn die Maschine oder Anlage steht in diesem Fall bereits und erst jetzt beginnt die Fehleranalyse. Ferner kann es jetzt auch Tage dauern bis entsprechende Ersatzteile geliefert werden und ein Servicetechniker erscheint.

Beispiel:

Typ

Beispielwert

Ausfallzeit

4 Arbeitstage, 2 Schicht-Betrieb

8 Schichten = 64 Produktionsstunden Ausfall

Durchschnittliche Produktionsrate pro Stunde

250 Einheiten

Ausfallende Produktionskapazität

16.000 Einheiten

Entfallender Gewinn je nicht produzierter Einheit

€ 4

Die unmittelbaren Stillstandkosten kombinieren sich durch Stillstandkosten in Form von Bruttogewinnverlust = € 64.000

Hinzu kommen Tagessätze für den Servicetechniker, Reisekosten, Spesen, ggf. weitere Lohnzahlung für die Maschinencrew.

Selbst wenn man auch mit Predictive Maintenance Störfälle und Stillstände nie gänzlich vermeiden kann, lässt sich erahnen, wie groß die Motivation ist Stillstandzeiten zu reduzieren.

Preventive Maintenance

Bei vielen Unternehmen, insbesondere wohl im europäischen Raum werden die Vorteile von Preventive Maintenance gesehen. Wartungen der Anlage oder Maschine werden geplant und im Verlauf des Lebenszyklus angepasst. Durch die frühzeitige Organisation und den vorbeugenden Maßnahmen ist der Prozess rund um die Maschine fließender und ungeplante Stillstandzeiten können reduziert werden.

Ähnlich wie auch bei Predictive Maintenance wird auf Daten zugegriffen, allerdings in der Regel nur um als Trigger für einen Wartungsintervall zu dienen. Damit fällt es aber schwer sicherzustellen, dass eine Wartung genau zum richtigen Zeitpunkt stattfindet. Viel mehr besteht das Risiko, dass diese zu früh oder zu spät stattfinden. Meistens wird zu früh gewartet, so entstehen zwar frühe Kosten, aber zumindest verringert sich das Risiko von Störfällen und den ungeplanten Stillständen.

Unter dem Gesichtspunkt von Ressourcenmaximierung und vor allem maximaler Maschinen- und Anlagenverfügbarkeit steht vorbeugende Wartung der vorausschauenden Wartung aber nach, kann jedoch die Vorstufe sein.

Herausforderungen von Predictive Maintenance

Wie eingehend erläutert sind die Ziele von Predictive Maintenance im Maschinen- und Anlagebau die Einsparung von zu früh durchgeführten Wartungstätigkeiten oder schlimmer, ungeplanten Stillständen. Jedoch gibt es einige Herausforderungen, die zu meistern sind.

Herausforderung 1: Die von Maschinen und Anlagen

Dreh- und Angelpunkt ist der regelmäßige Datenfluss, damit zentral zusammengeführte Daten überhaupt durch Algorithmen so analysiert werden können, dass präzise Vorhersagen von Wartungsfälligkeiten möglich werden.

Die allererste Hürde ist die Überzeugung des Betreibers, dass es sicher und gewinnbringend ist, seine Maschinenüber digitale Services zu vernetzen und Daten mit seinem Partner, dem Maschinenhersteller zu teilen. Sehr entscheidend hierbei ist die richtige Kommunikationsstrategie, wer kann mit wem bis zu welchem technischen Grad sprechen, welche Information müssen an welcher Stelle gegeben werden usw.

Um zufriedenstellende Anschlussraten zu erzielen, liefern viele unserer Kunden ihre Maschinen und Anlagen bereits so aus, dass diese „ready-to-connect“ sind, die Servicevernetzung ist somit Standardbestandteil der Maschine. Damit die Akzeptanz der Maschinenanbindung auf der Betreiberseite erhöht wird, verwendet symmedia ein hochsicheres und patentiertes Verfahren und wir lassen unsere Lösungen vom TÜViT als Trusted Product zertifizieren.

Neben dem Vorteil einer hohen Akzeptanz auf der Betreiberseite, werden so bereits am Anfang beim Hersteller die richtigen Weichen gestellt, um nicht später sehr zeit- und kostenintensiv nachrüsten müssen.

Herausforderung 2: Datentransparenz

Wer sich mit Daten befasst, weiß, dass Daten generell ein sehr sensibles Thema sind. Dementsprechend ist es wichtig Daten zu differenzieren. Aus unserer Erfahrung wissen wir, dass Betreiber eher zurückhaltend sind, was das Teilen von Produktionsdaten angeht, dafür aber eher offen sind, wenn es darum geht, Gesundheitsdaten von Maschinen mit dem Hersteller zu teilen.

Folgende Datentypen kommt eine tragende Rolle bei Predictive Maintenance zu

Zustandsdaten Gesundheitsdaten von Maschinen und Anlagen

Abstrakt sind Daten gemeint, die etwas über die Gesundheit einer Maschine oder Anlage aussagen. Je nach Maschine oder Anlage, als auch deren Nutzung,können diese Daten stark variieren, sodass sich keine allgemeingültige Aussage treffen lässt, welchen Daten explizit gemeint sind. Exemplarisch könnte es ein Mix aus Informationen, wie Alter, Laufleistung, Temperatur, Schwingungen, Druck etc. sein.

Jeder Hersteller wird selbst wissen, welche Daten für seine Maschinen und Anlagen etwas über den Zustand aussagen.

Peripherie-Daten

Wie zuvor erwähnt, gibt es weitere Faktoren wie die Produktionsumgebung, die Einfluss auf die Anfälligkeit von Maschinen und Anlagen haben, und für die es ggf. unterschiedliche Vorhersagen für Wartungsanfälligkeiten gibt.

Gerade exportstarke Maschinen- und Anlagenhersteller kennen insbesondere die Problematik unterschiedlicher Temperaturen und Luftfeuchtigkeit. Genauso könnte auch ein hoher Salzgehalt in der Luft oder gar seismische Aktivität für einen Standort in einer Erdbebenzone Berücksichtigung finden.

Prozessdaten

Grundsätzlich sind Prozessdaten ein hochsensibles Thema, da diese auch Daten zu Maschineneinstellungen wie Produktionsprogramme oder gar Rezepturen beinhalten können. Auch wirtschaftliche Rückschlüsse können ggf. aus den Daten abgeleitet werden. Es ist empfehlenswert einen Betreiber von Anfang an in den Prozess der Datenerhebung und Datenverarbeitung einzubeziehen, um entsprechend der individuellen Sicherheitsbedürfnisse auch adäquate Prozesse und Maßnahmen zu definieren.

In der Regel werden nicht alle Daten benötigt, aber es muss transparent definiert werden, welche Daten benötigt werden, wie diese erfasst, gespeichert und verarbeitet werden und wer Zugriff auf diese Daten hat.

Aufgrund dieser Problematik verfolgen wir einen Predicitive-Maintenance-Ansatz, bei dem beide Seiten profitieren. Zunächst verbleiben sämtliche Daten beim Betreiber im Rahmen unseres Wartungsmanagers, sodass der Betreiber unterstützt wird bestimmte Wartungen selbst durchzuführen. In diesem Fall erhält der Hersteller in einem vordefinierten Rahmen dann diese Wartungsinformationen und kann diese auswerten.

Transparenz ist entscheidend für die Akzeptanz auf Betreiberseite.

Herausforderung 3: bestehende Daten effektiv nutzen

Zahlreiche Unternehmen erheben bereits seit Jahren Daten ihrer Maschinen, andere fangen erst an, eine entsprechende Infrastruktur aufzubauen, um Daten überhaupt zu beschaffen. Die vorhandene Datenbasis bildet die Grundlage, um konkrete Ereignisse und wiederkehrende Fehler identifizieren zu können, auf deren Basis man Algorithmen entwickeln kann, die in die Zustandsüberwachung einfließen.

Ohne auseichende Datenbasis ist kein Lernen und damit keine Vorhersage möglich. Was aber nicht heißen sollen, „erst mal alles sammeln und dann später sehen, was wir damit machen können.“ Wir bei symmedia verfolgen den Ansatz, smarte Daten zu sammeln. Erst das Datenkonzept aufstellen und sich auf Datenpunkte konzentrieren, von denen man weiß oder zumindest vermutet, dass diese im Kontext „Predictive Maintenance“ wichtig sind. Der Ansatz „erst mal her mit den Daten, wir sehen später, was wir damit machen“ ist vermutlich nicht zielführend, weil dann irgendwann alte Daten ausgewertet werden, die aktuell keine oder nur noch eine geringe Aussagekraft haben.

Unternehmen, die bereits einen großen Datenbestand aufgebaut haben, kämpfen häufig mit der Interpretation dieser. An dieser Stelle sind Data Analysten gefragt, entweder interne oder externe. Bei den wenigsten Unternehmen wird es gerade beim Aufbau dieser Thematik in Frage kommen, dass man eigene Data Analysten einstellt. Selbst, wenn das in Frage kommt, ist es sehr schwer, geeignete Personen am Markt zu finden.

Was das Thema Data Analytics angeht arbeiten wir bei symmedia mit Partnern zusammen. Wenn Sie selbst an einem Punkt sind, an dem Sie sich intensiver hiermit auseinandersetzen möchten, so sprechen Sie uns gerne an.

Vorteile von Predictive Maintenance

Grundsätzlich muss man bei den Vorteilen differenzieren, da die Vorteile für Maschinen- und Anlagehersteller bzw. für Betreiber unterschiedlich ausfallen.

Vorteile für Hersteller:

  • Geringere Zahl an ungeplanten Fieldserviceeinsätzen

  • Optimierte Planung von Wartungsmaßnahmen und Ersatzteillieferungen

  • Rückschlüsse aus Daten fließen in die Konstruktion ein; langfristig bessere Maschinen und Anlagen

  • Stärkere Kundenbindung, wer möchte nicht einen Partner haben, der einen frühzeitig auf Schwierigkeiten aufmerksam macht

Vorteile für Betreiber:

  • Weniger ungeplante Störfälle

  • Geringere Stillstandzeiten

  • Höherer Produktionsoutput

Predictive Maintenance bei symmedia

Zentrale Wartungsdatenbank

Sowohl aufgrund der Datensensibilität als auch der Latenz und Datenvolumen bei Liveübertragung von Betreiber zu Hersteller, verfolgen wir aktuell den Ansatz, dass möglichst bereits lokal beim Betreiber Daten verarbeitet und für Preventive Maintenance genutzt werden. So werden die vom Maschinen- und Anlagenhersteller definierten Angaben und Wartungsinstruktionen in einer zentralen Datenbank gespeichert und an den Betreiber ausgeliefert.    

Stimmt der Maschinenbetreiber dem Teilen von Daten zu, so kann er seine Hersteller die im Laufe der Zeit gesammelten Daten analysieren lassen und damit ggf. neues Wissen generieren. Dieses neue Wissen kann zentral in Form von angepassten Wartungsinstruktionen umgesetzt werden. Die weltweit installierten EDGE Devices erkennen, dass es Wartungsupdates für ihrem Typ von Maschine gibt und aktualisieren die Wartungsanleitungen entsprechend, so dass der Maschinenbetreiber die Vorteile der optimierten Wartungszyklen erzielen kann. 

Sämtliche Inhalte einer Wartungsinstruktion können automatisch aktualisiert werden, das betrifft den Anleitungstext, den auslösenden Wert, die benötigten Verschleißteile oder Werkzeuge. So kann der lokale Wartungsmanager ohne großen Aufwand immer auf aktuellen Stand gehalten werden. 

Lokaler Wartungsmanager

Der lokale Wartungsmanager ist Teil des Customer Cockpits und unterstützt den Betreiber bei der Planung und Durchführung von Wartungsaufgaben. Das Produkt symmedia SP/1 Maintenance unterstützt dabei mit einem übersichtlichem Ampelsystem durch die Anzeige des Wartungsstatus, sowie durch entsprechende Informationen und Anleitungen von Seiten des Herstellers.  

Wurde eine Wartung erfolgreich durchgeführt, wird die Durchführung der Wartung automatisch in der Maschinenlebensakte dokumentiert und die Prioritäten-Ampel wird wieder zurück auf grün gesetzt.  

Integration von Ersatzteilen 

Häufig werden bei einer Wartung Ersatzteile benötigt. Unser Produkt symmedia SP/1 Parts schlägt daher bedarfsorientiert Ersatzteilbeschaffungen vor und ermöglicht automatisierte Bestellprozesse, um lieferbedingte Verzögerungen zu minimieren.

Ziel ist es, dass der Hersteller zum geplanten Wartungszeitpunkt alle benötigten Ersatzteile bereitstellt, unabhängig, ob er selbst, der Betreiber oder ein Drittunternehmen den Einsatz durchführt.

Fazit und Zusammenfassung

Predictive Maintenance birgt im Zeitalter von Industrie 4.0 sowohl für Maschinen- und Anlagenhersteller als auch für Betreiber erhebliche Vorteile, da Wartungseinsätze optimiert und Ausfallzeiten minimiert werden. Damit wird letztendlich die Maschinen- bzw. Anlagenverfügbarkeit erhöht, womit auf der einen Seite Kosten gesenkt und auf der anderen Seite die Produktivität gesteigert wird.

Ausfallkosten runter + Output rauf

Je nach Typ und dem individuellen Einsatz von Maschinen und Anlagen, können sich so Einrichtungsaufwände in relativ kurzer Zeit amortisieren.

Grundvoraussetzung ist ein erfolgversprechendes Datenkonzept mit dem der Hersteller seinen Kunden mit ins Boot holen kann. Eine Gewähr dafür, dass die anfängliche notwendige Datensammlung später auch zu gewinnbringenden Prädiktionen führt, gibt es aber nicht. Im Prinzip geht es diesbezüglich um einen gemeinsamen Lernprozess zwischen den Partnern. Stimmt der Betreiber grundsätzlich zu, ist eine sichere Datenanbindung und ein verantwortungsvoller Umgang mit den Daten Voraussetzung, um computergestützte Auswertungen unter Einbeziehung von Expertenwissen aus verschiedenen Domänen zu ermöglichen.

Insofern Sie Fragen und Anmerkungen haben, hinterlassen Sie ein Kommentar, wir werden uns zeitnah melden oder vereinbaren Sie gerne einen unverbindlichen Termin.

Schließen